From Cherry Picking to Convergence – Migrating E-Learning Delivery to an LMS (Learning Management System) – the COLeLIO Experience
Notice bibliographique
Résumé
The Commonwealth of Learning e-learning for International Organizations (COLeLIO) (www.col.org/colelio) Initiative engages appropriate technology to custom design and deliver just-in-time (JIT) workplace e-learning for adult learners based in field offices and headquarters of international organizations spread all over the world. To ensure reliable and easy access to learning, COLeLIO chooses appropriate technologies to underpin course design, development and delivery taking into consideration bandwidth and access issues. Responding to constantly changing learning environments and learners' needs, eLIO learning materials have evolved from print to digital over the last decade. In recent years, eLIO saw the need to streamline the delivery operation for their 1,000 learners annually, involving 40 tutors and teams of course administrators. Recognizing that the conduits supporting online learning have mushroomed in recent years and that more affordable and robust open source learning management platforms are available to support and sustain online learning for transparency, accountability and quality results, COLeLIO spent 12 months searching for and adapting a technology solution to create a one-stop access to resources, support, discussions, and records for learners, tutors and administrators. This paper captures the story of change management by eLIO and shares some key lessons learned.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,005 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,005 | 0,006 |
| Communication savante | 0,011 | 0,011 |
| Science ouverte | 0,002 | 0,016 |
| Intégrité de la recherche | 0,003 | 0,007 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,012 | 0,005 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».